Matthew Berman 实测 DeepSeek V4.1 Flash：编程、视觉与本地应用

我一直在用视觉编程、多模态推理和实际智能体任务测试 DeepSeek V4.1 Flash。这些演示令人印象深刻，我想看看基准分数之外的情况：哪些功能真正可用，哪些会出错，以及速度与价格如何改变使用体验。

首先是一个单页面 3D 机械腕表。你可以旋转它、将鼠标悬停在部件上，查看它们如何组合。机芯细节超出了我对单次提示生成结果的预期，界面也让人能够动手探索，而不只是看一张静态图。

爆炸视图将机芯分成多个层次，包括摆轮和游丝。这是很出色的视觉成果，但并非完美的腕表模拟：我没有看到预期中的自动上链摆陀。评价生成的演示时，这种区别很重要。

接下来，我让模型制作一个类似 Fall Guys 的游戏，名叫 Bean Blitz。角色在色彩鲜艳的障碍赛道上奔跑，画面已经相当接近真正的游戏。我可以移动并与赛道互动，而不是只看到一个设计稿。

它也有明显的粗糙之处：有些障碍物是静止的，角色会穿过场景的一部分，物理效果也不总是可信。不过锤子确实可以运作。作为一次生成的结果，我认为它非常出色，接近我在同类任务中看到的 Opus 表现。

我还让模型制作一部 3D 折叠 iPhone Duo，并与 Kimi 生成的版本比较。模型和界面有很多可取之处，包括细致的设备造型和可操作性。但画面好看，并不意味着每个交互都正确。

在 DeepSeek 的版本里，折叠动画会让手机移出原来的位置，屏保也会消失。尽管整体视觉质量不错，这些仍是演示中的真实问题。只有动手操作，才能发现单凭截图容易忽略的缺陷。

在多模态测试中，我给 DeepSeek V4.1 Flash 一张摆满甜点的照片，让它清点数量。模型推理约 4 分 25 秒后，估计能看到约 137 个物品。它也意识到部分物品可能被遮挡，给出了约 130 至 145 个的范围。

模型数出图片一处有 24 个马卡龙；我数到的是 25 个。两者很接近，但模型的总数和我快速清点的结果都不是经过验证的真实值。重要的是，模型尝试分析这张拥挤的照片，并承认不确定性，没有假装看到了所有隐藏的物品。

随后我追问它如何估算被其他甜点挡住的物品。它估计还有更多甜点，包括总共约 45 个马卡龙，回答耗时约 23 秒。这是根据照片进行的推测，不能确定我们看不见的物品的真实数量。

然后我关闭推理，让它直接写一篇约 1000 字的故事。回答生成得很快。凭肉眼估计，这次约为每秒 125 到 150 个 token，不过实际体验取决于服务商和配置。

视频里展示的服务商对比报告了更高的输出速度：Lithos 约每秒 1286 个 token，Baseten 约 845 个。这些是该对比中的测量值，并不保证每个请求都能达到。输出几乎立即出现，会让一个本已便宜的模型用起来很不一样。

在一个智能体任务中，我让它从 Sam Altman 的访谈中寻找适合剪辑的片段。它浏览资料并返回带时间戳的建议，整个过程约耗时 6 分 24 秒。这个任务要求模型寻找并理解材料，而不只是根据提示写代码。

我检查了第一个建议时间戳，确实找到了相应讨论：Altman 说自己大约一年没有看过代码。其他建议涉及程序员保持忙碌以及关于意识的讨论。我没有实际剪辑和导出片段，因此这个测试证明的是选择环节，而不是完整剪辑流程。

我还在 DGX Station 上本地运行模型，让它制作一个离线优先的电子表格应用 Gridline。这次运行耗时约 50 分钟。模型生成了可用的界面和基本表格功能，让我可以考察较长的编程任务，而不只是快速视觉提示。

演示中的 Gridline 支持公式、自动填充和图表。它还不能完全替代 Excel，但在本地生成一个可用应用仍然值得关注。我预计量化版本也可能让一些高端消费级 GPU 运行这个模型；这只是可能性，并非我在这里展示过的测试。

另一个 3D 任务是魔方模拟器。我可以打乱魔方并让应用还原，演示中的步骤看起来正确。和游戏、腕表一样，有用的测试是交互能否正常运作，而不只是初始画面是否漂亮。

在规模更大的本地项目里，我使用一份详细提示词制作名为 Folio 的 PDF 阅读器；这份提示词最初由 Opus 5.5 生成。应用使用 Electron、React、TypeScript 和 PDF.js。这里测试的是模型依据规格生成的实现，并不能说明 DeepSeek 独立设计了这份规格。

阅读器包括批注、签名、深色模式、保存和打印等功能；我还尝试用摄像头制作签名。对于本地生成的应用来说，功能相当丰富。我估算的推理成本也是比较的一部分，但本地运行仍然需要硬件和时间。

综合这些例子，我对模型的能力、速度和成本组合感到兴奋。部分任务有明显缺陷，简短演示也无法证明它在所有工作流程中都可靠。尽管如此，从图形、文档软件到多模态计数，它所覆盖的范围让我印象深刻。

我查看了一张 DeepSWE v1.1 图表，比较编程表现与每任务成本。我强调的一个数据点是约 77% 的 pass@1 和约 0.20 美元的每任务成本，在这项特定评测中显得很有性价比。基准和其价格假设提供了有用背景，却无法完整衡量实际表现。

我也谈到 HLE 和 Terminal 基准上约 42 分的结果，但我不认为单一排行榜能说明一切。不同任务考察不同能力；这些演示同时呈现了出色成果和失败案例，而汇总数字可能掩盖后者。

在录制视频时，我引用的 Lithos 价格是每百万输入 token 0.15 美元、输出 token 0.60 美元，缓存输入免费。我还引用 Baseten 每百万输入 0.30 美元、输出 1.20 美元、缓存输入 0.01 美元的价格，以及其报告的输出速度。服务商价格和速度都可能变化。

我的结论是，在我尝试的任务中，DeepSeek V4.1 Flash 的性价比非常突出，与 Kimi 等替代方案相比也有优势。但选择仍取决于具体应用：应当在自己的工作负载中检查实际输出、服务商条件和成本，而不要把我的排名当作普遍结论。